到達目標
1. データ駆動型社会においてデータサイエンスを学ぶことの意義を説明できる。
2. データ分析の⽬的に応じて適切なデータ分析⼿法やデータ可視化⼿法を選択できる。
3. データを収集・処理・蓄積するための技術の概要を説明できる。
ルーブリック
| 理想的な到達レベルの目安 | 標準的な到達レベルの目安 | 未到達レベルの目安 |
1. データ駆動型社会においてデータサイエンスを学ぶことの意義を説明できる。 | データ駆動型社会の特徴とデータサイエンスを学ぶことの意義を具体的に説明できる。 | データ駆動型社会の特徴とデータサイエンスを学ぶことの意義を説明できる。 | データ駆動型社会の特徴とデータサイエンスを学ぶことの意義をどちらも説明できない。 |
2. データ分析の⽬的に応じて適切なデータ分析⼿法やデータ可視化⼿法を選択できる。 | データ分析の⽬的に応じて適切なデータ分析⼿法やデータ可視化⼿法を選択し,実際にデータ分析や可視化ができる。 | データ分析の⽬的に応じて適切なデータ分析⼿法やデータ可視化⼿法を選択できる。 | データ分析⼿法やデータ可視化⼿法を選択できない。 |
3. データを収集・処理・蓄積するための技術の概要を説明できる。 | データを収集・処理・蓄積するための技術の概要を説明し,実践できる。 | データを収集・処理・蓄積するための技術の概要を説明できる。 | データを収集・処理・蓄積するための技術を説明できない。 |
| | | |
| | | |
| | | |
学科の到達目標項目との関係
学習・教育到達度目標 C
説明
閉じる
JABEE c
説明
閉じる
JABEE d-1
説明
閉じる
教育方法等
概要:
この講義の目標は,データサイエンスおよびデータエンジニアリングの基本的な概念と手法ならびに応用例を学ぶことで ,データから意味を抽出して現場にフィードバックするための方法を理解し実践できるようになることである。データエンジニアリングにおけるデータ収集・加工・評価といった一連の流れを学んだうえで,演習をおこない理解を深めることを目指す。
この科目は,釧路工業高等専門学校数理・データサイエンス・AI教育プログラム(応用基礎レベル)の構成科目です。
授業の進め方・方法:
コンピュータによるデータサイエンス演習を含むため,これまでに学習したプログラミングの内容を必要に応じて復習すること。
合否判定:定期試験2回の平均点を70点満点に換算し,演習課題の評点(30点満点)を加えて60点以上を合格とする。
最終評価:合否判定に同じ。
再試験:合否判定において不合格の場合,再試験を受験し60点以上であれば合格とし最終評価を60点とする。
前関連科目:プログラム言語Ⅰ・Ⅱ
後関連科目:画像工学,知的情報処理
注意点:
自分なりの視点でデータ駆動社会をとらえ,その関連技術を学んでください。
授業の属性・履修上の区分
授業計画
|
|
週 |
授業内容 |
週ごとの到達目標 |
後期 |
3rdQ |
1週 |
ガイダンス データサイエンスと社会 |
講義の目的,全体像および進め方がわかる。 現在の社会のなかでのデータサイエンスの重要性について説明できる。
|
2週 |
データ駆動型社会とデータサイエンス |
データ駆動型社会とデータサイエンスの関連性について説明できる。
|
3週 |
ビッグデータとデータサイエンス |
ICTの進展とビッグデータについて説明できる。
|
4週 |
分析設計 |
データ分析の進め方およびデータ分析の設計方法について説明できる。
|
5週 |
データ観察 データ可視化 |
収集したデータの観察方法について説明できる。 典型的なデータ可視化手法について説明できる。
|
6週 |
データ分析 (1) |
典型的なデータ分析手法について説明できる。
|
7週 |
データ分析 (1) |
最小二乗法を用いて回帰分析ができる。
|
8週 |
中間試験 |
|
4thQ |
9週 |
データ表現 データ収集 |
コンピュータでデータを扱うためのデータ表現について説明できる。 Webサイトやエッジデバイスからのデータ収集について説明できる。
|
10週 |
データベース データ加工 |
データベースからのデータ抽出について説明できる。 収集したデータの加工方法について説明できる。
|
11週 |
データサイエンス実践演習 (1) |
Pythonを使ったデータサイエンスの実践ができる。
|
12週 |
データサイエンス実践演習 (2) |
Pythonを使ったデータサイエンスの実践ができる。
|
13週 |
データサイエンス実践演習 (3) |
Pythonを使ったデータサイエンスの実践ができる。
|
14週 |
データサイエンス実践演習 (4) |
Pythonを使ったデータサイエンスの実践ができる。
|
15週 |
データサイエンス実践演習 (5) |
Pythonを使ったデータサイエンスの実践ができる。
|
16週 |
期末試験 |
|
モデルコアカリキュラムの学習内容と到達目標
分類 | 分野 | 学習内容 | 学習内容の到達目標 | 到達レベル | 授業週 |
基礎的能力 | 数学 | 数学 | 数学 | 整式の加減乗除の計算や、式の展開ができる。 | 3 | |
簡単な連立方程式を解くことができる。 | 3 | |
総和記号を用いた簡単な数列の和を求めることができる。 | 3 | |
行列の定義を理解し、行列の和・差・スカラーとの積、行列の積を求めることができる。 | 3 | |
微分係数の意味や、導関数の定義を理解し、導関数を求めることができる。 | 3 | |
積・商の導関数の公式を用いて、導関数を求めることがができる。 | 3 | |
定積分の定義と微積分の基本定理を理解し、簡単な定積分を求めることができる。 | 3 | |
微分方程式の意味を理解し、簡単な変数分離形の微分方程式を解くことができる。 | 3 | |
簡単な1階線形微分方程式を解くことができる。 | 3 | |
簡単な1変数関数の局所的な1次近似式を求めることができる。 | 3 | |
1変数関数のテイラー展開を理解し、基本的な関数のマクローリン展開を求めることができる。 | 3 | |
評価割合
| 試験 | 発表 | 相互評価 | 態度 | ポートフォリオ | その他 | 合計 |
総合評価割合 | 70 | 0 | 0 | 0 | 30 | 0 | 100 |
基礎的能力 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
専門的能力 | 70 | 0 | 0 | 0 | 30 | 0 | 100 |
分野横断的能力 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |